CN111339500B - 空气污染溯源方法、装置、计算机设备和存储介质 - Google Patents

空气污染溯源方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111339500B
CN111339500B CN202010427765.9A CN202010427765A CN111339500B CN 111339500 B CN111339500 B CN 111339500B CN 202010427765 A CN202010427765 A CN 202010427765A CN 111339500 B CN111339500 B CN 111339500B
Authority
CN
China
Prior art keywords
air station
air
moment
station
polluted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010427765.9A
Other languages
English (en)
Other versions
CN111339500A (zh
Inventor
魏林辉
李秋瑶
罗向林
吴宪爽
唐蝶
孙倩
王连振
叶涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bixing IOT Technology (Shenzhen) Co.,Ltd.
Original Assignee
Zte Instruments Shenzhen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zte Instruments Shenzhen Co ltd filed Critical Zte Instruments Shenzhen Co ltd
Priority to CN202010427765.9A priority Critical patent/CN111339500B/zh
Publication of CN111339500A publication Critical patent/CN111339500A/zh
Application granted granted Critical
Publication of CN111339500B publication Critical patent/CN111339500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请涉及一种空气污染溯源方法、装置、计算机设备和存储介质。所述方法包括：基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；对各第t时刻质量数据和各第t‑1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t‑1时刻风速和第t‑1时刻风向，对扩散矩阵进行校正处理；根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站，从而实现快速、准确地追溯到污染源。

Description

空气污染溯源方法、装置、计算机设备和存储介质
技术领域
本申请涉及空气治理技术领域，特别是涉及一种空气污染溯源方法、装置、计算机设备和存储介质。
背景技术
随着工业的发展，大气污染变得越来越严重，治理大气污染已成为亟待解决的环境问题之一，目前，空气监测主要采用的方式是在需要监测的区域广泛部署微小型空气站，通过微小型空气站监测空气质量的变化，在监测到空气质量降低时，及时采取防治措施以阻止空气质量进一步恶化，在此过程中，如何快速、准确地找到污染源成为及时采取防治措施的关键，但是，在实现过程中，发明人发现传统技术中至少存在如下问题：传统技术无法快速、准确地找到污染源。
发明内容
基于此，有必要针对上述技术问题，提供一种能够快速、准确地找到污染源的空气污染溯源方法、装置、计算机设备和存储介质。
一种空气污染溯源方法，包括以下步骤：
获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；
获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；
根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；
根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；
将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
在其中一个实施例中，获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站的步骤中，包括步骤：
基于高斯过程回归算法处理历史空气质量数据，得到历史空气质量数据的超参数；
基于历史空气质量数据，采用最大边缘似然法对超参数进行回归处理，得到各空气站之间的相关系数；
将与空气站的相关系数满足相关性条件的空气站，确定为相关空气站。
在其中一个实施例中，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵的步骤中，包括步骤：
基于随机传染SIR方程对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵。
在其中一个实施例中，根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理的步骤中，包括步骤：
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数；
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数；
根据第一校正参数和第二校正参数，对扩散矩阵进行校正处理。
在其中一个实施例中，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数的步骤中，包括步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的方位矢量；
对方位矢量与第t-1时刻风向的风向矢量进行矢量处理，得到第一校正参数。
在其中一个实施例中，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数的步骤中，包括步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的距离；
根据距离和第t-1时刻风速，得到第二校正参数。
在其中一个实施例中，根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站的步骤中，包括步骤：
对校正后的扩散矩阵进行转置处理，得到转置矩阵，并将校正后的扩散矩阵与转置矩阵的差值作为决策矩阵；
若存在值大于零的决策矩阵，则将决策矩阵中值最大对应的相关空气站确认为第t时刻被污染的空气站的污染源空气站；
若决策矩阵的值都小于等于零，则第t时刻被污染的空气站为第1时刻被污染的空气站。
一种空气污染溯源装置，包括：
数据获取模块，用于获取待监测区域内的各空气站的历史空气质量数据；
相关空气站确定模块，用于基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；
扩散矩阵获取模块，用于获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；
校正模块，用于根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；
污染源空气站获取模块，用于根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；
循环溯源模块，用于将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
本申请各实施例提供的空气污染溯源方法通过以下步骤：获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站，从而实现快速、准确地追溯到污染源，进而能够更加及时的对污染源进行防治措施，避免污染进一步恶化。
附图说明
图1为一个实施例中空气污染溯源方法的流程示意图；
图2为一个实施例中确认相关空气站步骤的流程示意图；
图3为一个实施例中扩散矩阵校正步骤的流程示意图；
图4为一个实施例中确认污染源空气站步骤的流程示意图；
图5为一个实施例中空气污染溯源装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为了解决传统技术无法快速、准确地找到污染源的问题，在一个实施例中，如图1所示，提供了一种空气污染溯源方法，包括以下步骤：
步骤S110，获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站。
需要说明的是，待监测区域可为某个镇、某个县、某个市、某个直辖市或者独立划分出来需要重点监测的区域。在待监测区域内广泛地部署空气站，例如，各空气站呈网格化分布。空气站监测自身所处区域的空气质量，并将监测到的空气质量数据储存在内部的存储设备已被调用，或者将监测到的空气质量数据上传给服务器已被调用。后台监控的计算机设备获取待监测区域内所有空气站监测到的空气质量数据来分析待测区域内的空气质量变化，实现监控空气质量。其中，空气质量数据包括可吸入颗粒物含量、细颗粒物含量、二氧化氮含量、二氧化硫含量、一氧化碳含量、臭氧含量或挥发性有机化合物含量等。
某个空气站的相关空气站是指在空气污染传播途径上与该某个空气站相近邻的空气站，且相关空气站满足相关性条件，该相关性条件表示空气污染从相关空气站向该某个空气站传播的概率。通过高斯过程回归算法分析待监测区域内的各空气站的历史空气质量数据，得到各空气站的相关空气站。一个空气站包括一个或两个以上的相关空气站。
在一个示例中，如图2所示，获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站的步骤中，包括步骤：
步骤S210，基于高斯过程回归算法处理历史空气质量数据，得到历史空气质量数据的超参数。
需要说明的是，在机器学习领域中，高斯过程（Gaussian Process，GP）回归算法是指在高斯随机过程与贝叶斯学习理论基础上发展起来的一种机器学习方法。在统计学理论中，高斯过程回归算法的过程为：其任意有限变量集合的分布都是高斯分布，即对任意整数及任意的一族随机变量，与其对应的时刻的过程状态的联合概率分布服从n维高斯分布。高斯过程回归算法的全部统计特征完全由它的均值和协方差函数来确定，其定义式表示如下：
Figure 78148DEST_PATH_IMAGE001
其中，
Figure 877476DEST_PATH_IMAGE002
表示时刻；
Figure 216841DEST_PATH_IMAGE003
表示过程状态的联合概率；
Figure 646685DEST_PATH_IMAGE004
表示均值；
Figure 498097DEST_PATH_IMAGE005
表示协方差函数；
Figure 38800DEST_PATH_IMAGE006
表示高斯过程函数。
通过高斯过程回归算法处理历史空气质量数据后，历史空气质量数据符合高斯分布，其表达式为：
Figure 744588DEST_PATH_IMAGE007
其中，
Figure 892804DEST_PATH_IMAGE008
表示空气质量，
Figure 684042DEST_PATH_IMAGE009
表示各空气站预测的空气质量，
Figure 762857DEST_PATH_IMAGE010
表示待监测区域内的空气站的总数量，
Figure 73883DEST_PATH_IMAGE011
表示空气质量的均值；
Figure 642268DEST_PATH_IMAGE012
表示空气质量的协方差函数。
超参数表示两个空气站在不同时刻的相关性，其表达式为：
Figure 668605DEST_PATH_IMAGE013
其中，
Figure 551111DEST_PATH_IMAGE014
为协方差函数，w为两个空气站的相关系数，
Figure 965912DEST_PATH_IMAGE015
和x为两个不同空气站的空气质量。
步骤S220，基于历史空气质量数据，采用最大边缘似然法对超参数进行回归处理，得到各空气站之间的相关系数。
需要说明的是，相关系数表示在空气污染传播途径上，任意两个空气站之间的相关性大小，即空气污染从一个空气站传播到另一个空气站点的概率大小。
步骤S230，将与空气站的相关系数满足相关性条件的空气站，确定为相关空气站。
需要说明的是，将与某个空气站的相关系数满足相关性条件的空气站，挑选出来作为该某个空气站的相关空气站。进一步的，将所有空气站对应的相关空气站确认之后，将所有的相关空气站构建成相关矩阵。
步骤S120，获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵。
需要说明的是，第t时刻为空气站第t次采集空气质量数据的时刻。第t时刻可为空气站历史某次采集空气质量数据的时刻，也可为空气站当前次采集空气质量数据的时刻。第t时刻为空气站历史某次采集空气质量数据的时刻时，用于分析空气质量的历史状况；第t时刻为空气站当前次采集空气质量数据的时刻时，用于监测当前的空气质量。一般空气监测都是实时过程用于监测当前的空气质量，实现对当前时刻的空气质量进行防治，优选的，第t时刻为当前时刻。
在一个示例中，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵的步骤中，包括步骤：
基于随机传染SIR方程对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵。
需要说明的是，SIR方程的表达式为：
Figure 721509DEST_PATH_IMAGE016
其中，
Figure 221761DEST_PATH_IMAGE017
表示第t时刻各空气站的空气质量列向量，即
Figure 642378DEST_PATH_IMAGE018
，其中，
Figure 927997DEST_PATH_IMAGE019
表示空气站n在第t时刻的空气质量。
步骤S130，根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理。
需要说明的是，由于空气污染传播受到风速和风向的影响，在不同的风速和风向的情况下，相同的两个空气站之间的相关系数会发生变化，为了提高污染源追溯的准确性，需要对扩散矩阵进行校正。
第t-1时刻风速为相关空气站在t-1次采集空气质量数据的时刻时的风速，第t-1时刻风向为相关空气站在t-1次采集空气质量数据的时刻时的风向。
在一个示例中，如图3所示，根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理的步骤中，包括步骤：
步骤S310，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数。
具体的，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数的步骤中，包括步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的方位矢量；
对方位矢量与第t-1时刻风向的风向矢量进行矢量处理，得到第一校正参数。
进一步的，基于以下公式获取第一校正参数：
Figure 838184DEST_PATH_IMAGE020
其中，
Figure 576464DEST_PATH_IMAGE021
表示第一校正参数；
Figure 800772DEST_PATH_IMAGE022
表示方位矢量；
Figure 190165DEST_PATH_IMAGE023
表示第t-1时刻风向的风向矢量。
步骤S320，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数。
具体的，根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数的步骤中，包括步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的距离；
根据距离和第t-1时刻风速，得到第二校正参数。
进一步的，基于以下公式获取第二校正参数：
Figure 278776DEST_PATH_IMAGE024
其中，
Figure 753619DEST_PATH_IMAGE025
表示第二校正参数；
Figure 329088DEST_PATH_IMAGE026
表示第t-1时刻风速；
Figure 572988DEST_PATH_IMAGE027
表示空气站采集周期；
Figure 841289DEST_PATH_IMAGE028
表示空气站与相关空气站的直线距离。
步骤S330，根据第一校正参数和第二校正参数，对扩散矩阵进行校正处理。
需要说明的是，第一校正参数、第二校正参数与扩散矩阵的乘积即为校正后的扩散矩阵。
进一步的，基于以下公式获取校正后的扩散矩阵：
Figure 803429DEST_PATH_IMAGE029
其中，
Figure 182589DEST_PATH_IMAGE030
表示校正后的扩散矩阵；
Figure 280995DEST_PATH_IMAGE031
表示扩散矩阵。
步骤S140，根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站。
需要说明的是，决策矩阵表示空气污染从一个空气站到另一个空气站传播的概率大小。
具体的，如图4所示，根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站的步骤中，包括步骤：
步骤S410，对校正后的扩散矩阵进行转置处理，得到转置矩阵，并将校正后的扩散矩阵与转置矩阵的差值作为决策矩阵。
步骤S420，若存在值大于零的决策矩阵，则将决策矩阵中值最大对应的相关空气站确认为第t时刻被污染的空气站的污染源空气站。
需要说明的是，当存在值大于零的决策矩阵时，说明第t时刻被污染的空气站的污染源是从别处传播过来的，则将决策矩阵中值最大对应的相关空气站确认为第t时刻被污染的空气站的污染源空气站。
步骤S430，若决策矩阵的值都小于等于零，则第t时刻被污染的空气站为第1时刻被污染的空气站。
需要说明的是，当决策矩阵的值都小于等于零时，说明第t时刻被污染的空气站的污染源就在该空气站的区域内，本身就为污染源空气站。
步骤S150，将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
需要说明的是，在追溯到第t时刻被污染的空气站的污染源空气站之后，再循环步骤S120至步骤S140追溯到第t-1时刻被污染的空气站的污染源，直至追溯第1时刻被污染的空气站，即追溯到污染源。
本申请各实施例提供的空气污染溯源方法通过以下步骤：获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站，从而实现快速、准确地追溯到污染源，进而能够更加及时的对污染源进行防治措施，避免污染进一步恶化。
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种空气污染溯源装置，包括：
数据获取模块510，用于获取待监测区域内的各空气站的历史空气质量数据；
相关空气站确定模块520，用于基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；
扩散矩阵获取模块530，用于获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；
校正模块540，用于根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；
污染源空气站获取模块550，用于根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；
循环溯源模块560，用于将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
关于空气污染溯源装置的具体限定可以参见上文中对于空气污染溯源方法的限定，在此不再赘述。上述空气污染溯源装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储空气质量数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空气污染溯源方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；
获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；
根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；
根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；
将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于高斯过程回归算法处理历史空气质量数据，得到历史空气质量数据的超参数；
基于历史空气质量数据，采用最大边缘似然法对超参数进行回归处理，得到各空气站之间的相关系数；
将与空气站的相关系数满足相关性条件的空气站，确定为相关空气站。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数；
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数；
根据第一校正参数和第二校正参数，对扩散矩阵进行校正处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的方位矢量；
对方位矢量与第t-1时刻风向的风向矢量进行矢量处理，得到第一校正参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的距离；
根据距离和第t-1时刻风速，得到第二校正参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对校正后的扩散矩阵进行转置处理，得到转置矩阵，并将校正后的扩散矩阵与转置矩阵的差值作为决策矩阵；
若存在值大于零的决策矩阵，则将决策矩阵中值最大对应的相关空气站确认为第t时刻被污染的空气站的污染源空气站；
若决策矩阵的值都小于等于零，则第t时刻被污染的空气站为第1时刻被污染的空气站。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理历史空气质量数据，确定各空气站对应的满足相关性条件的相关空气站；
获取第t时刻被污染的空气站及第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各第t时刻质量数据和各第t-1时刻空气质量数据进行矩阵处理，得到第t时刻被污染的空气站的扩散矩阵；
根据第t时刻被污染的空气站的地理位置信息以及第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对扩散矩阵进行校正处理；
根据校正后的扩散矩阵，得到第t时刻被污染的空气站的决策矩阵，并根据决策矩阵确定第t时刻被污染的空气站的污染源空气站；
将第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于高斯过程回归算法处理历史空气质量数据，得到历史空气质量数据的超参数；
基于历史空气质量数据，采用最大边缘似然法对超参数进行回归处理，得到各空气站之间的相关系数；
将与空气站的相关系数满足相关性条件的空气站，确定为相关空气站。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风向，得到第一校正参数；
根据第t时刻被污染的空气站的地理位置信息、第t时刻被污染的空气站的相关空气站的地理位置信息和第t-1时刻风速，得到第二校正参数；
根据第一校正参数和第二校正参数，对扩散矩阵进行校正处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的方位矢量；
对方位矢量与第t-1时刻风向的风向矢量进行矢量处理，得到第一校正参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第t时刻被污染的空气站的地理位置信息和第t时刻被污染的空气站的相关空气站的地理位置信息，得到第t时刻被污染的空气站和与其相关空气站之间的距离；
根据距离和第t-1时刻风速，得到第二校正参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对校正后的扩散矩阵进行转置处理，得到转置矩阵，并将校正后的扩散矩阵与转置矩阵的差值作为决策矩阵；
若存在值大于零的决策矩阵，则将决策矩阵中值最大对应的相关空气站确认为第t时刻被污染的空气站的污染源空气站；
若决策矩阵的值都小于等于零，则第t时刻被污染的空气站为第1时刻被污染的空气站。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Sytchlitk） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种空气污染溯源方法，其特征在于，包括以下步骤：
获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理所述历史空气质量数据，确定各所述空气站对应的满足相关性条件的相关空气站；
获取第t时刻被污染的空气站及所述第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各所述第t时刻质量数据和各所述第t-1时刻空气质量数据进行矩阵处理，得到所述第t时刻被污染的空气站的扩散矩阵；
根据所述第t时刻被污染的空气站的地理位置信息以及所述第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对所述扩散矩阵进行校正处理；
根据校正后的所述扩散矩阵，得到所述第t时刻被污染的空气站的决策矩阵，并根据所述决策矩阵确定所述第t时刻被污染的空气站的污染源空气站；
将所述第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定所述第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
2.根据权利要求1所述的空气污染溯源方法，其特征在于，获取待监测区域内的各空气站的历史空气质量数据，基于高斯过程回归算法处理所述历史空气质量数据，确定各所述空气站对应的满足相关性条件的相关空气站的步骤中，包括步骤：
基于高斯过程回归算法处理所述历史空气质量数据，得到所述历史空气质量数据的超参数；
基于所述历史空气质量数据，采用最大边缘似然法对所述超参数进行回归处理，得到各所述空气站之间的相关系数；
将与所述空气站的所述相关系数满足所述相关性条件的空气站，确定为所述相关空气站。
3.根据权利要求1所述的空气污染溯源方法，其特征在于，对各所述第t时刻质量数据和各所述第t-1时刻空气质量数据进行矩阵处理，得到所述第t时刻被污染的空气站的扩散矩阵的步骤中，包括步骤：
基于随机传染SIR方程对各所述第t时刻质量数据和各所述第t-1时刻空气质量数据进行矩阵处理，得到所述第t时刻被污染的空气站的扩散矩阵。
4.根据权利要求1所述的空气污染溯源方法，其特征在于，根据所述第t时刻被污染的空气站的地理位置信息以及所述第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对所述扩散矩阵进行校正处理的步骤中，包括步骤：
根据所述第t时刻被污染的空气站的地理位置信息、所述第t时刻被污染的空气站的相关空气站的地理位置信息和所述第t-1时刻风向，得到第一校正参数；
根据所述第t时刻被污染的空气站的地理位置信息、所述第t时刻被污染的空气站的相关空气站的地理位置信息和所述第t-1时刻风速，得到第二校正参数；
根据所述第一校正参数和所述第二校正参数，对所述扩散矩阵进行校正处理。
5.根据权利要求4所述的空气污染溯源方法，其特征在于，根据所述第t时刻被污染的空气站的地理位置信息、所述第t时刻被污染的空气站的相关空气站的地理位置信息和所述第t-1时刻风向，得到第一校正参数的步骤中，包括步骤：
根据所述第t时刻被污染的空气站的地理位置信息和所述第t时刻被污染的空气站的相关空气站的地理位置信息，得到所述第t时刻被污染的空气站和与其相关空气站之间的方位矢量；
对所述方位矢量与所述第t-1时刻风向的风向矢量进行矢量处理，得到所述第一校正参数。
6.根据权利要求5所述的空气污染溯源方法，其特征在于，根据所述第t时刻被污染的空气站的地理位置信息、所述第t时刻被污染的空气站的相关空气站的地理位置信息和所述第t-1时刻风速，得到第二校正参数的步骤中，包括步骤：
根据所述第t时刻被污染的空气站的地理位置信息和所述第t时刻被污染的空气站的相关空气站的地理位置信息，得到所述第t时刻被污染的空气站和与其相关空气站之间的距离；
根据所述距离和所述第t-1时刻风速，得到所述第二校正参数。
7.一种空气污染溯源装置，其特征在于，包括：
数据获取模块，用于获取待监测区域内的各空气站的历史空气质量数据；
相关空气站确定模块，用于基于高斯过程回归算法处理所述历史空气质量数据，确定各所述空气站对应的满足相关性条件的相关空气站；
扩散矩阵获取模块，用于获取第t时刻被污染的空气站及所述第t时刻被污染的空气站的相关空气站的第t时刻质量数据和第t-1时刻空气质量数据，对各所述第t时刻质量数据和各所述第t-1时刻空气质量数据进行矩阵处理，得到所述第t时刻被污染的空气站的扩散矩阵；
校正模块，用于根据所述第t时刻被污染的空气站的地理位置信息以及所述第t时刻被污染的空气站的相关空气站的地理位置信息、第t-1时刻风速和第t-1时刻风向，对所述扩散矩阵进行校正处理；
污染源空气站获取模块，用于根据校正后的所述扩散矩阵，得到所述第t时刻被污染的空气站的决策矩阵，并根据所述决策矩阵确定所述第t时刻被污染的空气站的污染源空气站；
循环溯源模块，用于将所述第t时刻被污染的空气站的污染源空气站作为第t-1时刻被污染的空气站，并确定所述第t-1时刻被污染的空气站的污染源空气站，直至得到第1时刻被污染的空气站。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任意一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任意一项所述方法的步骤。
CN202010427765.9A 2020-05-20 2020-05-20 空气污染溯源方法、装置、计算机设备和存储介质 Active CN111339500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010427765.9A CN111339500B (zh) 2020-05-20 2020-05-20 空气污染溯源方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010427765.9A CN111339500B (zh) 2020-05-20 2020-05-20 空气污染溯源方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111339500A CN111339500A (zh) 2020-06-26
CN111339500B true CN111339500B (zh) 2020-08-25

Family

ID=71186495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010427765.9A Active CN111339500B (zh) 2020-05-20 2020-05-20 空气污染溯源方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111339500B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812292B (zh) * 2020-09-03 2020-12-08 中兴仪器（深圳）有限公司 水质污染类型溯源方法、装置、设备及可读存储介质
CN113759441B (zh) * 2021-09-08 2022-04-22 长春嘉诚信息技术股份有限公司 基于风玫瑰图及污染源监测的空气质量溯源方法
CN113763221A (zh) * 2021-09-17 2021-12-07 神彩科技股份有限公司 一种大气污染的溯源方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105242110A (zh) * 2015-09-08 2016-01-13 广东电网有限责任公司东莞供电局 一种配电网多点谐波污染溯源方法
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源系统及其方法
CN107145737A (zh) * 2017-04-28 2017-09-08 南京工业大学 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法
US20180060758A1 (en) * 2016-08-30 2018-03-01 Los Alamos National Security, Llc Source identification by non-negative matrix factorization combined with semi-supervised clustering
CN107917987A (zh) * 2017-11-09 2018-04-17 北京伟瑞迪科技有限公司 一种面向城市空气污染物溯源分析方法
CN109886830A (zh) * 2019-01-02 2019-06-14 同济大学 一种基于用户投诉信息的供水管网污染源追踪定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105242110A (zh) * 2015-09-08 2016-01-13 广东电网有限责任公司东莞供电局 一种配电网多点谐波污染溯源方法
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
US20180060758A1 (en) * 2016-08-30 2018-03-01 Los Alamos National Security, Llc Source identification by non-negative matrix factorization combined with semi-supervised clustering
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源系统及其方法
CN107145737A (zh) * 2017-04-28 2017-09-08 南京工业大学 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法
CN107917987A (zh) * 2017-11-09 2018-04-17 北京伟瑞迪科技有限公司 一种面向城市空气污染物溯源分析方法
CN109886830A (zh) * 2019-01-02 2019-06-14 同济大学 一种基于用户投诉信息的供水管网污染源追踪定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Activation Force-based Air Pollution Observation Station Clustering;Di Huang et al.;《2015 11th International Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness》;20150819;第115-121页 *
城市大气污染源追踪"广义判识"与Nudging源同化集成技术途径;徐祥德 等;《中国工程科学》;20121031;第14卷(第10期);第10-22页 *

Also Published As

Publication number Publication date
CN111339500A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111339500B (zh) 空气污染溯源方法、装置、计算机设备和存储介质
CN109840588B (zh) 神经网络模型训练方法、装置、计算机设备及存储介质
US10408882B2 (en) Method for predicting remaining useful life of lithium battery based on wavelet denoising and relevance vector machine
Kwak et al. An incremental clustering-based fault detection algorithm for class-imbalanced process data
CN110912908B (zh) 网络协议异常检测方法、装置、计算机设备和存储介质
CN110491106B (zh) 基于知识图谱的数据预警方法、装置和计算机设备
US10564195B2 (en) System and method for energy sample forecasting of HVAC-R systems
KR102079359B1 (ko) 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법
WO2019200738A1 (zh) 数据特征提取的方法、装置、计算机设备和存储介质
US20230058585A1 (en) Event forecasting system, event forecasting method, and storage medium
CN112232426A (zh) 目标检测模型的训练方法、装置、设备及可读存储介质
CN109714201B (zh) 网络系统可靠性评估方法、装置、计算机设备和存储介质
CN113762391A (zh) 冷却系统的状态检测方法、装置、计算机设备和存储介质
Zhang et al. Time series estimation of gas sensor baseline drift using ARMA and Kalman based models
CN115017819A (zh) 一种基于混合模型的发动机剩余使用寿命预测方法及装置
CN107846402A (zh) 一种bgp稳定性异常检测方法、装置及电子设备
CN111079270A (zh) 一种基于二元混合随机过程的轴承剩余寿命预测方法
CN113282876B (zh) 异常检测中一维时间序列数据生成方法、装置和设备
CN115270861A (zh) 一种产品成分数据监测方法、装置、电子设备及存储介质
CN114398228A (zh) 一种设备资源使用情况的预测方法、装置及电子设备
CN115982224A (zh) 为多变量时序数据异常检测提供解释性
CN114386616A (zh) 特征重要性评估方法、装置、设备和介质
US20060074827A1 (en) Methods and apparatus for detecting temporal process variation and for managing and predicting performance of automatic classifiers
Nissas et al. On the maintenance modeling of a hybrid model with exponential repair efficiency
CN112200219B (zh) 一种超大规模晶圆缺陷数据的特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518100 Room 301, building 2, runheng Industrial Zone, No. 1, Liuxian Third Road, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Patentee after: Bixing IOT Technology (Shenzhen) Co.,Ltd.

Address before: 518000 Room 301, building 2, runheng Industrial Zone, No.1, liuxiansan Road, 67 District, Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: ZTE INSTRUMENTS (SHENZHEN) Co.,Ltd.